論文の概要: PAEDID: Patch Autoencoder Based Deep Image Decomposition For Pixel-level Defective Region Segmentation

• arxiv url: http://arxiv.org/abs/2203.14457v1
• Date: Mon, 28 Mar 2022 02:50:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 08:06:36.998924
• Title: PAEDID: Patch Autoencoder Based Deep Image Decomposition For Pixel-level Defective Region Segmentation
• Title（参考訳）: paedid: 画素レベル欠陥領域セグメンテーションのためのパッチ自動エンコーダベースのディープイメージ分解
• Authors: Shancong Mou, Meng Cao, Haoping Bai, Ping Huang, Jianjun Shi and Jiulong Shan
• Abstract要約: 欠陥領域分割のための非教師パッチオートエンコーダに基づくディープ画像分解法(PAEDID)を提案する。 パッチオートエンコーダ(PAE)ネットワークにより,より深い画像として共通の背景を学習する。 提案手法を採用することにより、画像中の欠陥領域を教師なしで正確に抽出することができる。
• 参考スコア（独自算出の注目度）: 16.519583839906904
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unsupervised pixel-level defective region segmentation is an important task in image-based anomaly detection for various industrial applications. The state-of-the-art methods have their own advantages and limitations: matrix-decomposition-based methods are robust to noise but lack complex background image modeling capability; representation-based methods are good at defective region localization but lack accuracy in defective region shape contour extraction; reconstruction-based methods detected defective region match well with the ground truth defective region shape contour but are noisy. To combine the best of both worlds, we present an unsupervised patch autoencoder based deep image decomposition (PAEDID) method for defective region segmentation. In the training stage, we learn the common background as a deep image prior by a patch autoencoder (PAE) network. In the inference stage, we formulate anomaly detection as an image decomposition problem with the deep image prior and domain-specific regularizations. By adopting the proposed approach, the defective regions in the image can be accurately extracted in an unsupervised fashion. We demonstrate the effectiveness of the PAEDID method in simulation studies and an industrial dataset in the case study.
• Abstract（参考訳）: 非教師なし画素レベル欠陥領域分割は、様々な産業用途における画像に基づく異常検出において重要なタスクである。 行列分解法はノイズに強いが複雑な背景画像モデリング能力に欠ける、表現法は欠陥領域の局所化に長けているが、欠陥領域の形状の輪郭抽出の精度に欠ける、再構成法は欠陥領域の検出法は欠陥領域の形状の輪郭とよく一致するがノイズが多い。 両世界の最善の組み合わせとして,未教師付きパッチオートエンコーダを用いた深部画像分解(paedid)法を提案する。 トレーニング段階では、パッチオートエンコーダ(PAE)ネットワークにより、より深い画像として共通の背景を学習する。 推論段階では、深部画像の事前および領域固有の正規化による画像分解問題として異常検出を定式化する。 提案手法を採用することにより、画像中の欠陥領域を教師なしで正確に抽出することができる。 シミュレーション研究におけるpaedid法の有効性と,本事例における産業データの有効性を実証する。

関連論文リスト

• LADMIM: Logical Anomaly Detection with Masked Image Modeling in Discrete Latent Space [0.0]
  マスク付き画像モデリングは、画像中のマスキング領域の特徴表現を予測する自己教師付き学習技術である。 本稿では,MIMの特性を利用して論理異常を効果的に検出する手法を提案する。 提案手法をMVTecLOCOデータセット上で評価し,平均AUC 0.867。
  論文  参考訳（メタデータ） (2024-10-14T07:50:56Z)
• A 2D Sinogram-Based Approach to Defect Localization in Computed Tomography [3.4916237834391874]
  画像再構成に頼らずにオブジェクト内の欠陥を特定し解析するための総合的な3段階深層学習アルゴリズムを提案する。 提案手法は, 512画素幅の検出器上での欠陥検出における平均位置誤差1.3ピクセルを用いて, シミュレーションデータ上での92.02%のユニオンの切断を実現する。
  論文  参考訳（メタデータ） (2024-01-29T12:20:26Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• Inpainting Transformer for Anomaly Detection [0.0]
  Inpainting Transformer(InTra)は、多数のイメージパッチにカバーパッチを塗布するように訓練されている。 InTraは、検出とローカライゼーションのためのMVTec ADデータセットの最先端結果よりも優れている。
  論文  参考訳（メタデータ） (2021-04-28T17:27:44Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• DFR: Deep Feature Reconstruction for Unsupervised Anomaly Segmentation [24.52418722578279]
  本論文では,非監視型異常セグメンテーション手法を提案する。 画像の小さな領域や限られた領域の異常を検出し、分類することができる。 複数のベンチマークデータセットで最先端のパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2020-12-13T18:30:51Z)
• Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples Through Normal Background Regularization and Crop-and-Paste Operation [4.626338154327536]
  産業検査作業では, 欠陥のない画像サンプルが豊富だが, 異常な画像が極めて少ないことが一般的である。 本論文は,正常な(欠陥のない)トレーニングイメージを十分に用いながら,異常な部分しか持たない,難解な少数ショット欠陥分割課題に対処する。 UNetライクなエンコーダ-デコーダ欠陥分割ネットワークのトレーニングに、豊富な欠陥のないイメージを組み込むことにより、2つの効果的な正則化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T14:15:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。